(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210441227.4 (22)申请日 2022.04.25 (71)申请人 三一汽车起重 机械有限公司 地址 410600 湖南省长 沙市宁乡县金州大 道西168号 (72)发明人 彭徵　付惠斌　唐熹微　 (74)专利代理 机构 北京布瑞知识产权代理有限 公司 11505 专利代理师 张春辉 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种场所类型识别方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请提供一种场所类型识别方法、 装置、 计算机设备和存储介质， 应用于场所类型识别技 术领域， 该方法包括获取多个施工设备的位置信 息和工况信息， 基于多个施工设备的位置信息， 构建至少一副无向图， 根据至少一副无向图中的 顶点进行聚类， 获取相应的顶点簇， 其中， 任一顶 点簇对应一个聚集场所， 根据顶 点簇中各顶点对 应的施工设备的工况信息和预训练的类型识别 模型， 获取顶点簇对应的聚集场所的场所类型。 本方案能够自动确定聚集场所的类型， 例如， 确 定聚集场所为停车场类型， 还是为工厂建设施工 类型、 地铁建设施工类型或桥梁建设施工类型 等， 不再需要人工进行统计， 不但节约人力和物 力， 还能够有效提高统计效率。 权利要求书2页 说明书11页 附图4页 CN 114943892 A 2022.08.26 CN 114943892 A 1.一种场所类型识别方法， 其特 征在于， 包括： 获取多个施工设备的位置信息和工况信息； 基于多个所述施工设备的所述 位置信息， 构建至少一副无向图； 根据至少一副所述无向图中的顶点进行聚类， 获取相应的顶点簇； 其中， 任一所述顶点 簇对应一个聚集场所； 根据所述顶点簇中各所述顶点对应的所述施工设备的所述工况信息和预训练的类型 识别模型， 获取 所述顶点簇对应的所述聚集场所的场所类型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于多个所述施工设备的所述位置信 息， 构建至少一副无向图， 包括： 基于多个所述施工设备的所述 位置信息获取任意两个所述施工设备之间的距离； 以所述施工设备为顶点， 在任意两个距离小于预设距离 阈值的所述施工设备所对应的 所述顶点之间生成边， 获取至少一副无向图。 3.根据权利要求1所述的方法， 其特征在于， 所述根据至少一副所述无向图中的顶点进 行聚类， 获取相应的顶点簇， 包括： 以任一无向图中， 所连接边的数量大于等于预设数量阈值的目标顶点为起始点， 根据 广度优先搜索算法获取 所述目标顶点以外的其 他顶点； 将所连接边的数量大于等于预设数量阈值的所述顶点作为一个集合， 获取相应的顶点 簇。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述顶点簇 中各所述顶点对应的 所述施工设备的所述工况信息和预训练的类型识别模型， 获取所述顶点簇对应的所述聚集 场所的场所类型之前， 还 包括： 对所述顶点簇中各 所述顶点对应的所述施工设备的所述工况信息进行归一 化处理。 5.根据权利要求1所述的方法， 其特 征在于， 还 包括： 根据训练样本和LSTM神经网络， 获取时间窗数据特征； 所述训练样本包括样本工况信 息； 根据所述时间窗数据特 征和CNN神经网络， 获取 所述训练样本的输出 结果； 基于各所述训练样本的输出结果与对应的标签之间的误差， 得到各训练样本相对应的 误差； 所述标签包括所述训练样本对应的样本场所类型； 以各训练样本相对应的误差处于预设范围内为训练目标， 调整所述LSTM神经网络和/ 或所述CN N神经网络的参数， 获取 所述类型识别模型。 6.根据权利要求1所述的方法， 其特征在于， 所述根据至少一副所述无向图中的顶点进 行聚类， 获取相应的顶点簇之后， 还 包括： 根据所述顶点簇中各所述顶点对应的所述施工设备的所述工况信息和预训练的周期 识别模型， 获取 所述顶点簇对应的所述聚集场所的施工周期。 7.根据权利要求1所述的方法， 其特征在于， 若所述施工设备为起重机， 所述聚集类型 至少包括停车场和施工工地， 所述施工工地至少包括工厂施工工地、 地铁施工工地、 桥梁施 工工地； 所述工况信息至少包括所述起重机的排列方式、 工作时间、 吊重量、 吊重高度、 吊重幅 度、 回转角度。权　利　要　求　书 1/2 页 2 CN 114943892 A 28.一种场所类型识别装置， 其特 征在于， 包括： 获取模块， 用于获取多个施工设备的位置信息和工况信息； 构建模块， 用于基于多个所述施工设备的所述 位置信息， 构建至少一副无向图； 聚类模块， 用于根据至少一副所述无向图中的顶点进行聚类， 获取相应的顶点簇； 其 中， 任一所述顶点簇对应一个聚集场所； 类型确认模块， 用于根据所述顶点簇 中各所述顶点对应的所述施工设备的所述工况信 息和预训练的类型识别模型， 获取 所述顶点簇对应的所述聚集场所的场所类型。 9.根据权利要求8所述的装置， 其特 征在于， 还 包括： 模型 预训练模块； 所述模型 预训练模块包括： 第一结果获取单元， 用于根据训练样本和LSTM神经网络， 获取时间窗数据特征； 所述训 练样本包括样本 工况信息； 第二结果获取单元， 用于根据所述时间窗数据特征和CNN神经网络， 获取所述训练样本 的输出结果； 误差确定单元， 用于基于各所述训练样本的输出结果与对应的标签之间的误差， 得到 各训练样本相对应的误差； 所述标签包括所述训练样本对应的样本场所类型； 参数调整单元， 用于以各训练样本相对应的误差处于预设范围内为训练目标， 调整所 述LSTM神经网络和/或所述CN N神经网络的参数， 获取 所述类型识别模型。 10.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器上被所述处理器执行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7中任 一项所述的场所类型识别方法的步骤。 11.一种存储介质， 其特征在于， 包括： 所述存储介质上存储有计算机程序， 所述计算机 程序被处理器执行时， 实现如权利要求1至7中任一项所述的场所类型识别方法的各个步 骤。权　利　要　求　书 2/2 页 3 CN 114943892 A 3